【文章內(nèi)容簡(jiǎn)介】 術(shù)的發(fā)展，包括圖像、音頻和視頻等信息的多媒體數(shù)據(jù)己經(jīng)廣泛用于 Inter 和企事業(yè)信息系統(tǒng)中，而且越來(lái)越多的商業(yè)活動(dòng)、信息表現(xiàn)和事務(wù)交易中都將包括多媒體數(shù)據(jù)，自然也就包含了大量的圖像，基于內(nèi)容的圖像檢索(intent based image retrieval，CBIR)的廣泛應(yīng)用就是一個(gè)例子，這些常常都是以圖像分割作為基礎(chǔ)的?？v觀圖像分割技術(shù)這些年的發(fā)展，其中有幾個(gè)明顯的趨勢(shì)：第一，大量學(xué)者致力于將新的概念、新的方法引入圖像分割領(lǐng)域，如這幾年逐漸引起人們重視的模糊算法、神經(jīng)網(wǎng)絡(luò)與遺傳算法、小波分析、粗集理論、數(shù)學(xué)形態(tài)學(xué)等理論都先后被應(yīng)用于圖像分割領(lǐng)域，為該領(lǐng)域中的研究注入了新的活力，有效的解決了原有理論的一部分缺陷，改善了分割效果，更重要的是為圖像分割問(wèn)題的最終解決開(kāi)拓了新的思路。隨著基礎(chǔ)理論研究的深化，這一趨勢(shì)是必將會(huì)繼續(xù)下去。第二，人們非常重視多種分割算法的有效結(jié)合。綜合使用 2 種或 2 種以上的方法，能夠部分克服單獨(dú)的圖像分割算法難以對(duì)一般圖像取得令人滿意的分割效果的問(wèn)題，占據(jù)了分割領(lǐng)域中現(xiàn)有文獻(xiàn)的大部分，而采取什么樣的結(jié)合方式才能體現(xiàn)各種方法的優(yōu)點(diǎn)，彌補(bǔ)各自的不足，取得好的預(yù)期效果，在未來(lái)將仍是人們關(guān)注的主要問(wèn)題之一。第三，針對(duì)特定領(lǐng)域的特殊問(wèn)題，利用這些領(lǐng)域的專業(yè)知識(shí)來(lái)輔助解決圖像分割問(wèn)題，越來(lái)越多的吸引了研究人員的注意力。相應(yīng)的，對(duì)圖像分割作為一個(gè)統(tǒng)一對(duì)象的研究在逐漸弱化。醫(yī)學(xué)圖像處理中的病理圖像分割、工業(yè)圖像分割、安全圖像處理中的保密信息提取、軍事圖像處理中的雷達(dá)圖像分割及衛(wèi)星圖像分割、交通圖像處理中的車(chē)牌識(shí)別等都是近幾年來(lái)圖像分割領(lǐng)域中討論較多的熱點(diǎn)問(wèn)題。2 圖像分割的基本理論 圖像分割的定義在圖像的研究和應(yīng)用中，人們往往只對(duì)一幅圖像中的某些部分感興趣，這些感興趣的部分一般對(duì)應(yīng)圖像中特定的、具有特殊性質(zhì)的區(qū)域（可以對(duì)應(yīng)單個(gè)區(qū)域，也可以對(duì)應(yīng)多個(gè)區(qū)域） ，稱之為目標(biāo)或前景；而其它部分稱為圖像的背景 [8]。為了辨識(shí)和分析目標(biāo)，需要把目標(biāo)從一幅圖像中孤立出來(lái)，這就是圖像分割要研究的問(wèn)題。所謂圖像分割，從廣義上來(lái)講，是根據(jù)圖像的某些特征或特征集合（包括灰度、顏色、紋理等）的相似性準(zhǔn)則對(duì)圖像像素進(jìn)行分組聚類，把圖像平面劃分成若干個(gè)具有某些一致性的不重疊區(qū)域。這使得同一區(qū)域中的像素特征是類似的，即具有一致性；而不同區(qū)域間像素的特征存在突變，即具有非一致性 [4]。從集合的角度出發(fā)，圖像分割定義如下：設(shè) R 代表整個(gè)圖像區(qū)域,對(duì) R 的分割可看作將 R 分成若干個(gè)滿足一下 5 個(gè)條件的非空子集（子區(qū)域） ， 12，… ， 。n(1)即分割成的所有子區(qū)域的并應(yīng)能構(gòu)成原來(lái)的區(qū)域 R。(2)對(duì)所有的 i 和 j 及 i j，有 即分割成的各子區(qū)域互不重疊。?ijR?(3)對(duì)于 ；有 。即分割得到的屬于同一區(qū)域的像素1,2?…， n??iPTUE?應(yīng)具有某些相同的特性。(4)對(duì)于 ，有 。即分割得到的屬于不同區(qū)域的像素應(yīng)ij?ijRFALS?具有不同的性質(zhì)。(5)對(duì)于 ； 是連通的區(qū)域。即同一子區(qū)域的像素應(yīng)當(dāng)是連通1,2i?…， ni的。 圖像分割的體系結(jié)構(gòu)圖像工程可分三個(gè)層次:圖像處理(像素)、圖像分析( 目標(biāo))和圖像理解( 符號(hào))。圖像分割是從圖像處理進(jìn)到圖像分析的關(guān)鍵步驟，也是進(jìn)一步理解的基礎(chǔ)。圖像分割的體系結(jié)構(gòu)可以用圖 2 表示?；痉指钏惴▓D像分割分割技術(shù)分割評(píng)價(jià)現(xiàn)代分割算法基本分割算法現(xiàn)代分割算法 圖 2 圖像分割的體系結(jié)構(gòu) 圖像分割方法分類 關(guān)于圖像分割技術(shù)，由于問(wèn)題本身的重要性和困難性，從 20 世紀(jì) 70年代超圖像分割問(wèn)題就吸引了很多研究人員為之付出了巨大的努力。雖然到目前為止，還不存在一個(gè)通用的完美圖像分割方法，但是對(duì)于圖像分割靜一般性規(guī)律，則基本上已經(jīng)達(dá)成了共識(shí)，已經(jīng)產(chǎn)生了相當(dāng)多的研究結(jié)果和方法。在國(guó)內(nèi)外學(xué)者對(duì)圖像分割進(jìn)行的研究中，產(chǎn)生了大量的有價(jià)值的成果，根據(jù)研究的角度不同大致有以下的分類方法。根據(jù)應(yīng)用目的不同，圖像分割可分為粗分割和細(xì)分割兩大類。對(duì)于模式識(shí)別應(yīng)用，一個(gè)物體對(duì)象內(nèi)部的細(xì)節(jié)與顏色( 或灰度) 漸變應(yīng)被忽略，而且一個(gè)物體對(duì)象只應(yīng)被表示必一個(gè)或少數(shù)幾個(gè)分割區(qū)域，即粗分割；而對(duì)于基于區(qū)域或?qū)ο蟮膱D像壓縮與編碼，其分割的目的是為了得到色彩信息一致的區(qū)域，以利于高效的區(qū)域編碼，若同一區(qū)域內(nèi)含有大量變化細(xì)節(jié)，則難以編碼，因此，圖像需要細(xì)分割，即需要捕捉圖像的細(xì)微變化。根據(jù)分割方法的不同，圖像分割可被粗略地分為三類：基于直方圖的分割技術(shù)(閾值分割、聚類等） 、基于鄰域的分割技術(shù)(邊緣檢測(cè)、區(qū)域增長(zhǎng) )、基于物理性質(zhì)的分割技術(shù)(利用光照特性和物體表面特征等)。 圖像分割方法是多種多樣的，本文將現(xiàn)將分割方法分為四類：(1)閾值分割方法；(2)邊緣檢測(cè)方法；(3) 區(qū)域提取方法；(4) 結(jié)合特定理論工具的分割方法 [9]。 閾值分割方法 閾值分割方法的歷史可追溯到近 40 年前，現(xiàn)已提出了大量算法，對(duì)灰度圖像的取閾值分割就是先確定一個(gè)處于圖像灰度取值范圍之中的灰度閾值，然后將圖像中各個(gè)象素的灰度值都與這個(gè)閾值相比較，并根據(jù)比較結(jié)果將對(duì)應(yīng)的象素分為兩類。這兩類象素一般分屬圖像的兩類區(qū)域，從而達(dá)到分割的目的 [10]。從該方法中可以看出，確定一個(gè)最優(yōu)閾值是分割的關(guān)鍵?，F(xiàn)有的大部分算法都是集中在閾值確定的研究上。閾值分割方法根據(jù)圖像本身的特點(diǎn)，可分為單閾值分割方法和多閾值分割方法；也可分為基于象素值的閾值分割方法、基于區(qū)域性質(zhì)的閾值分割方法和基于坐標(biāo)位置的閾值分割方法。若根據(jù)分割算法所有的特征或準(zhǔn)則，還可以分為直方圖與直方圖變換法、最大類空間方差法、最小誤差法與均勻化誤差法、共生矩陣法、最大熵法、簡(jiǎn)單統(tǒng)計(jì)法與局部特性法、概率松馳法、模糊集法、特征空間聚類法、基于過(guò)渡區(qū)的閾值選取法等。 邊緣檢測(cè)方法圖像最基本的特征是邊緣，它是圖像局部特性不連續(xù)（或突變）的結(jié)果。例如，灰度值的突變、顏色的突變、紋理的突變等amp。邊緣檢測(cè)方法是利用圖像一階導(dǎo)數(shù)的極值或二階導(dǎo)數(shù)的過(guò)零點(diǎn)信息來(lái)提供判斷邊緣點(diǎn)的基本依據(jù)，經(jīng)典的邊緣檢測(cè)方法是構(gòu)造對(duì)圖像灰度階躍變化敏感的差分算子來(lái)進(jìn)行圖像分割。如 Roberts 算子，Sobel 算子算子，Prewitt 算子，Canny 算子等。根據(jù)檢測(cè)邊緣采用方式的不同，邊緣檢測(cè)方法大致包括以下幾類：基于局部圖像函數(shù)的方法、多尺度方法、圖像濾波法、基于反應(yīng)—擴(kuò)散方程的方法、多分辨分法、基于邊界曲線擬合方法、狀態(tài)空間搜索法、動(dòng)態(tài)規(guī)劃法、邊界跟蹤法、哈夫變換法等。這類方法主要基于圖像灰度級(jí)的不連續(xù)性，它通過(guò)檢測(cè)不同均勻區(qū)域之間的邊界來(lái)實(shí)現(xiàn)對(duì)圖像的分割，這與人的視覺(jué)過(guò)程有些相似。依據(jù)執(zhí)行方式的不同，這類方法通常又分為串行邊緣檢測(cè)技術(shù)和并行邊緣檢測(cè)技術(shù)。串行邊緣檢測(cè)技術(shù)首先要檢測(cè)出一個(gè)邊緣起始點(diǎn)，然后根據(jù)某種相似性準(zhǔn)則尋找與前一點(diǎn)同類的邊緣點(diǎn)，這種確定后繼相似點(diǎn)的方法稱為跟蹤。根據(jù)跟蹤方法的不同，這類方法又可分為輪廓跟蹤、光柵跟蹤和全向跟蹤三種方法。全向跟蹤可以克服由于跟蹤的方向性可能造成的邊界丟失，但其搜索過(guò)程會(huì)付出更大的時(shí)間代價(jià)。串行邊緣檢測(cè)技術(shù)的優(yōu)點(diǎn)在于可以得到連續(xù)的單像素邊緣，但是它的效果嚴(yán)重依賴于初始邊緣點(diǎn)，由不恰當(dāng)?shù)某跏歼吘夵c(diǎn)可能得到虛假邊緣。較少的初始邊緣點(diǎn)可能導(dǎo)致邊緣漏檢。并行邊緣檢測(cè)技術(shù)通常借助空域微分算子，通過(guò)其模板與圖像卷積完成，因而可以在各個(gè)像素上同時(shí)進(jìn)行，從而大大降低了時(shí)間復(fù)雜度。常見(jiàn)并行邊緣檢測(cè)方法有如下兒種:Roberts 算子，Laplacian 算子，Sobel 算子，Prewitt 算子，LoG 算子和 canny 算子等。上述算法和其他邊緣檢測(cè)算法雖然在檢測(cè)的準(zhǔn)確性和邊緣定位精度上有所差異，但是他們都有一個(gè)共同的缺點(diǎn):不能得到連續(xù)的單像素邊緣，而這對(duì)于分割來(lái)說(shuō)是至關(guān)重要的。所以，通常在進(jìn)行上述邊緣檢測(cè)之后，需要進(jìn)行一些邊緣修正的工作，如邊緣連通、去除毛刺和虛假邊緣。常用的方法包括啟發(fā)式連接、相位編組法和層次記號(hào)編組法等。與串行邊緣檢測(cè)算法一樣，邊緣修正算法的代價(jià)也非常高此外，也有人使用 Facet 模型或 Hough 變換檢測(cè)邊緣，但是這兩種方法的復(fù)雜度往往是讓人難以忍受的。 與這些傳統(tǒng)的邊緣檢測(cè)算法相比，Snake 模型從另一個(gè)角度探討了邊緣檢測(cè)問(wèn)題。首先，給出一條封閉曲線作為初始的邊緣輪廓。此后，一方面使用像梯度場(chǎng)這樣的圖形信息作為外力，讓曲線盡量靠近真實(shí)邊緣。另一方面使用曲線長(zhǎng)度、平滑程度等作為內(nèi)力，約束曲線的形變。在這兩種力量的共同作用下，最終得到精確的、連續(xù)的物體邊緣。這種方法省去了對(duì)邊緣的繁瑣的后處理，但是這卻是以提供初始輪廓為代價(jià)的。由于圖形信息所提供的外力場(chǎng)是很微弱的，所以初始輪廓應(yīng)當(dāng)比較接近真實(shí)邊緣，否則，算法可能無(wú)法收斂到真實(shí)邊緣。 區(qū)域提取方法區(qū)域提取法有兩種基本形式：一種是從單個(gè)象素出發(fā)，逐漸合并以形成所需的分割區(qū)域；另一種是從全圖出發(fā)，逐漸分裂切割至所需的分割區(qū)域。在實(shí)際中使用的通常是這兩種基本形式的結(jié)合。根據(jù)以上兩種基本形式，區(qū)域提取法可以分為區(qū)域生長(zhǎng)法和分裂合并法。：區(qū)域生長(zhǎng)方法從若干種子點(diǎn)或種子區(qū)域出發(fā)，按照一定的生長(zhǎng)準(zhǔn)則，對(duì)鄰域像素點(diǎn)進(jìn)行特征判別，將特征相似的相鄰像素合并為同一區(qū)域；以合并像素為生長(zhǎng)點(diǎn)，繼續(xù)重復(fù)以上操作，最終形成具有相似特征的像素的最大連通集合。其中種子點(diǎn)可采用人機(jī)交互或自動(dòng)方法設(shè)定。用于區(qū)分不同物體內(nèi)像素的性質(zhì)包括平均灰度值、紋理或顏色信息。相似性準(zhǔn)則可以取像素的灰度值與鄰域的灰度均值比較，若差值在接受范圍內(nèi)則進(jìn)行合并。這種方法若不考慮像素間的連通性和鄰近性，會(huì)出現(xiàn)毫無(wú)意義的分類結(jié)果。這里依次用圖像的每一個(gè)像素的灰度值和標(biāo)準(zhǔn)閾值相減，判斷結(jié)果是否小于標(biāo)準(zhǔn)差，是則將該點(diǎn)和種子點(diǎn)合并，不是則保持像素點(diǎn)的灰度值不變。：區(qū)域分裂合并法首先將圖像分割為初始的區(qū)域，然后按性質(zhì)相似的準(zhǔn)則，反復(fù)分開(kāi)特性不一致的區(qū)域、合并具有一致特性的相鄰區(qū)域，直至形成一張區(qū)域圖。這種方法能充分組合圖像的全局和局部信息。下面給出一種用金字塔形四叉樹(shù)數(shù)據(jù)結(jié)構(gòu)指導(dǎo)下的分割方法，其步驟如下：(1)確定均勻性測(cè)試準(zhǔn)則 T，將原始圖像構(gòu)造成四叉樹(shù)數(shù)據(jù)結(jié)構(gòu)。(2)將圖像四叉樹(shù)結(jié)構(gòu)中的某一中間層作為初始的區(qū)域劃分。如果對(duì)任何區(qū)域 R，有 T( )=false，則把區(qū)域分裂成四個(gè)子區(qū)，若任一四分之一子區(qū) ，有 H( )=false，則再將該子區(qū)一分為四個(gè)區(qū)域。如果對(duì)任iRi一恰當(dāng)?shù)乃膫€(gè)子區(qū)有 H ( U U U )=true，則再把四個(gè)子區(qū)合并成一1a2R3a4個(gè)區(qū)。重復(fù)上述操作，直到不可再分或再合為止。(3)若有不同大小的兩個(gè)相鄰區(qū)域 和 ，滿足 H( U ) =true，則合并ij iRj這兩個(gè)區(qū)域。區(qū)域分裂一合并法能夠較好的保持原圖像的特性，這點(diǎn)優(yōu)于區(qū)域增長(zhǎng)法處理。但也存在區(qū)域初始劃分和選擇區(qū)域性質(zhì)一致性度量、邊界模糊性度量?jī)蓚€(gè)重要的問(wèn)題。而且算法結(jié)構(gòu)本身及對(duì)數(shù)據(jù)結(jié)構(gòu)的要求都比較復(fù)雜，因此計(jì)算量很大。區(qū)域提取法的缺點(diǎn)是往往會(huì)造成過(guò)度分割 ，即將圖像分割成過(guò)多的區(qū)域。 結(jié)合特定理論工具的分割方法圖像分割至今為止尚無(wú)通用的自身理論)近年來(lái)，隨著各學(xué)科許多新理論和新方法的提出，人們也提出了許多與一些特定理論、方法和工具相結(jié)合的分割技術(shù)。（1）基于數(shù)學(xué)形態(tài)學(xué)的分割技術(shù)其基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去量度和提取圖像中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。（2）基于模糊技術(shù)的圖像分割方法基于模糊集合和邏輯的分割方法是以模糊數(shù)學(xué)為基礎(chǔ)，利用隸屬?zèng)Q圖像中由于信息不全面、不準(zhǔn)確、含糊、矛盾等造成的不確定性問(wèn)題，該方法在醫(yī)學(xué)圖像分析中有廣泛的應(yīng)用。（3）基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的圖像分割方法基于神經(jīng)網(wǎng)絡(luò)的分割方法的基本思想是通過(guò)訓(xùn)練多層感知機(jī)來(lái)得到線性決策函數(shù)，然后用決策函數(shù)對(duì)象素進(jìn)行分類來(lái)達(dá)到分割的目的。（4）遺傳算法在圖像分割中的應(yīng)用遺傳算法是基于進(jìn)化論自然選擇機(jī)制的、并行的、統(tǒng)計(jì)的、隨機(jī)化搜索方法。對(duì)此，科學(xué)家們進(jìn)行了大量的研究工作，并成功地將它們運(yùn)用于各種類型的優(yōu)化問(wèn)題，在分割復(fù)雜的圖像時(shí)，人們往往采用多參量進(jìn)行信息融合，在多參量參與的最優(yōu)值的求取過(guò)程中，優(yōu)化計(jì)算是最重要的，把自然進(jìn)化的特征應(yīng)用到計(jì)算機(jī)算法中，將能解決很多困難。遺傳算法的出現(xiàn)為解決這類問(wèn)題提供了新而有效的方法，它不僅可以得到全局最優(yōu)解，而且大量縮短了計(jì)算時(shí)間 [11]。 圖像分割的質(zhì)量評(píng)價(jià)一般認(rèn)為對(duì)于圖像分割方法的評(píng)價(jià)可以通過(guò)分析和實(shí)驗(yàn)兩種方式來(lái)進(jìn)行，因此，分割評(píng)價(jià)方法可以分為分析法和實(shí)驗(yàn)法兩大類。分析法是直接分析分割算法的原理及性能；而實(shí)驗(yàn)法是通過(guò)對(duì)彩色圖像的分割結(jié)果來(lái)評(píng)價(jià)算法。盡管利用分析法的評(píng)估可以免除一些試驗(yàn)因素的影響，但是，并不是所有的性能都能夠通過(guò)分析而得到， 而且僅僅從算法本身的原理及性能出發(fā)的分析，往往缺乏足夠的說(shuō)服力，相對(duì)而言，實(shí)驗(yàn)評(píng)估的方法更具有實(shí)際意義。有關(guān)分割方法的實(shí)驗(yàn)已提出了不少，大致又可以分為“優(yōu)度法” 和“偏差法”兩類。優(yōu)度法是建立在人的視覺(jué)基礎(chǔ)上的某些特性圖像為依據(jù)的。偏差法則往往需要首先提供一個(gè)理想的分割圖像作為比較標(biāo)準(zhǔn)，依此來(lái)計(jì)算實(shí)際分割與理想分割的差別。Chahnav 等人對(duì)圖像分割算法的評(píng)價(jià)就是一種典型的“ 偏差法”。其理想分割圖像是若干個(gè)操作人員的分割結(jié)果，以此為標(biāo)準(zhǔn)，比較計(jì)算機(jī)分割結(jié)果是否與這些標(biāo)準(zhǔn)一致。實(shí)際中，由于目標(biāo)圖像的不可預(yù)知性以及能手工分割的專家分割差異的存在和專家的稀缺性，可供比較的理想分割圖像樣本很難得到并被統(tǒng)一認(rèn)定。因此，這類方法在使用上有很大的局限性。實(shí)驗(yàn)優(yōu)度法在沒(méi)有正確分割的先